소수 샘플 분류의 심층적 검토

소수 샘플 분류(few-shot classification)는 훈련 중에 보지 못한 클래스를 제한된 라벨링된 예제로 인식하는 분류기를 학습하는 것을 목표로 합니다. 이 분야에서 상당한 진전이 이루어졌지만, 네트워크 설계의 복잡성 증가, 메타-러닝 알고리즘, 그리고 구현 세부 사항의 차이로 인해 공정한 비교가 어려워지고 있습니다. 본 논문에서는 1) 여러 대표적인 소수 샘플 분류 알고리즘에 대한 일관된 비교 분석을 제시하며, 결과는 더 깊은 백본(deeper backbones)이 도메인 간 차이가 적은 데이터셋에서 방법들 간의 성능 차이를 크게 줄임을 보여줍니다. 2) 기존 베이스라인 방법을 수정하여 \miniI와 CUB 데이터셋에서 최신 연구 결과(state-of-the-art)와 경쟁할 수 있는 성능을 달성하였습니다. 3) 소수 샘플 분류 알고리즘의 크로스-도메인 일반화 능력을 평가하기 위한 새로운 실험 설정을 제안합니다. 우리의 결과는 피처 백본이 얕을 때 클래스 내 변동성을 줄이는 것이 중요한 요소임을 밝히지만, 더 깊은 백본을 사용할 때는 그렇게 중요하지 않다는 점을 나타냅니다. 현실적인 크로스-도메인 평가 환경에서 표준 미세 조정(fine-tuning) 기법을 사용한 베이스라인 방법이 다른 최신 소수 샘플 학습 알고리즘과 유사하거나 우월한 성능을 보임을 확인하였습니다.